使用本地 LLM + GitHub 工作流 自动化 LeetCode 文档

Source: Dev.to

这是一篇提交作品，参加 DEV 周末挑战：社区

社区

本项目面向那些积极刷 LeetCode 题目并公开分享学习成果的开发者。许多开发者希望保持持续性、公开构建并在编程社区中成长——但文档编写过程往往重复且耗时。

我创建了此工具，以降低工作流中的摩擦，帮助开发者将更多精力放在解题上，而不是手动编写文档任务。

我构建的内容

LeetCode AutoSync 是一个 CLI 自动化工具，具备以下功能：

• 在本地添加 LeetCode 题解，并附带结构化元数据
• 自动根据难度更新并排序 README
• 使用本地部署的 LLM（通过 Ollama）生成高质量结构化的解题报告
• 将 token 使用情况和性能指标记录到 Excel 表格中
• 支持多种编程语言（Python、SQL、C++、Java）
• 使用后台工作队列异步生成 AI 内容
• 优雅地关闭并管理模型生命周期

它取代的手动步骤

• 编写相同的 markdown 部分
• 更新 README 条目
• 格式化代码块
• 复制结构化解释

演示

视频: 👉 https://www.loom.com/share/589028a173444af191f4788ff7f25a42

GitHub 仓库: 👉 https://github.com/micheal000010000-hub/LEETCODE-AUTOSYNC

该工具本地以 CLI 形式运行，并集成了：

• Python 线程 + 队列系统
• Ollama（本地 LLM 推理）
• GitHub 工作流
• 结构化 Markdown 生成
• Token 分析日志

代码

您可以在此查看完整源码：👉 https://github.com/micheal000010000-hub/LEETCODE-AUTOSYNC

架构概览

• autosync.py — CLI 控制器和队列管理器
• repo_manager.py — 文件处理和 README 排序逻辑
• llm_generator.py — LLM 集成和令牌遥测日志记录
• git_manager.py — Git 自动化
• config.py — 环境配置

我的构建过程

🧠 架构

• 主 CLI 线程将解决方案生成任务入队。
• 后台工作线程使用队列处理这些任务。
• 通过锁实现线程安全的状态跟踪。
• 通知被缓冲，以防止控制台干扰。
• 优雅关闭确保任务不丢失。

⚙️ 使用的技术

• Python
• Threading + Queue
• Ollama（本地 LLM 推理）
• Mistral 模型
• requests（HTTP 调用）
• openpyxl（Excel 日志）
• 通过 subprocess 实现的 Git 自动化
• 结构化 Markdown 生成

🚀 LLM 集成

通过 Ollama 本地托管的 LLM 替代云 API，实现：

• 无 API 速率限制
• 完全掌控资源使用
• 捕获推理遥测
• 记录提示 token、响应 token 以及生成延迟

📊 可观测性

每次生成记录：

• 提示 token
• 响应 token
• 总 token
• 加载时长
• 生成时长
• 每秒 token 数

这构建了一个轻量级的 LLM 可观测层。

我的收获

• 设计并发 CLI 应用
• 使用后台工作线程避免阻塞操作
• 使用锁安全管理共享状态
• 实现优雅关闭模式
• 管理模型生命周期
• 收集 LLM 推理的性能遥测
• 构建解决真实开发者工作流问题的工具

为什么这很重要

在社区驱动的成长中，一致性至关重要。通过自动化文档、格式化和 GitHub 同步，这个工具消除了知识共享过程中的摩擦。

摩擦更少 → 分享更多 → 开发者社区更强大。

感谢阅读！ 🚀